T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi

I Gede Agus Widyadana

Penentuan Economic Order Quantity (EOQ) pada lingkungan harga dan jumlah
permintaan yang tidak pasti menggunakan pendekatan Simulasi dan
Evolutionary Algorithm

I Gede Agus W., Indah Apriliani dan Sylvia Susana Go

Laboratorium Optimasi dan Simulasi, Jurusan Teknik Industri
Universitas Kristen Petra Surabaya
E-mail: gede@peter.petra.ac.id

Abstrak
Penentuan jumlah pemesanan ekonomis telah menjadi satu fokus penelitian yang menarik
karena faktor biaya persediaan merupakan salah satu komponen biaya modal terbesar.
Penelitian berkembang sejalan dengan perkembangan permasalahan pengendalian
persediaan yang semakin kompleks. Penelitian pada permasalahan ini berkembang melalui
pendekatan optimasi. Pendekatan ini akan memberikan hasil yang baik, namun sangat sulit
dalam pengembangannya. Melihat hal tersebut maka penelitian ini akan berusaha
menyelesaikan kasus pengendalian persediaan menggunakan pendekatan simulasi dan
evolutionary algorithm.. Keunggulan metode ini adalah waktu penyelesaian yang relatif
lebih cepat dan hasil yang mendekati nilai optimal. Oleh karena itu pada penelitian ini
akan dikembangkan penentuan jumlah pemesanan kembali pada lingkungan harga beli dan
jumlah permintaan yang tidak pasti Penyelesaian dilakukan dengan menyusun model
evolutionary algorithm. Langkah berikutnya adalah menetapkan pola distribusi harga dan
permintaan, mensimulasikan pola permintaan tersebut dalam periode harian selama satu
tahun dan menyelesaikannya menggunakan pendekatan evolutionary algorithm. Hasil
perhitungan kemudian dibandingkan dengan penghitungan EOQ sederhana dan diperoleh
hasil pendekatan simulasi dan evolutionary algorithm ini memberikan hasil yang lebih
baik. Penurunan biaya yang dapat dihemat melalui pendekatan simulasi dan evolutionary
algorithm dibandingkan dengan pendekatan EOQ sederhan bisa mencapai hingga 16%.

Kata kunci : EOQ, Evolutionary Algorithm, Simulasi

1. Pendahuluan
Penelitian mengenai sistem pengendalian persediaan telah menjadi satu fokus penelitian yang
menarik. Kondisi ini disebabkan karena faktor biaya persediaan merupakan salah satu komponen biaya
modal yang terbesar. Penelitian berkembang mulai dari asumsi bahwa setiap parameter biaya bersifat
diskrit. Asumsi ini terus dikurangi dengan mamasukan parameter-parameter yang bersifat stochastic.
Hal ini diperlukan karena sifat parameter pada permasalahan sesungguhnya lebih cenderung bersifat
stochastic.
Beberapa penelitian mengenai persediaan ini antara lain yang dilakukan oleh Tarim & Kingsman
(2005) yang membahas mengenai sistem pengendalian persediaan (R,s) pada lingkungan permintaan
yang bersifat non stationary stochastic. Tang & Grubbstrom (2005) membahas penentuan titik
pemesanan kembali pada beberapa pola distribusi, sedangkan Sven Axsater (2005) membahas
mengenai kebijakan continuos review (R,Q) dengan lead time permintaan yang berdistribusi normal.
Penelitian ini berusaha mencoba memodelkan permalsahan aktual pada suatu perusahaan dengan
parameter yang bersifat stochastic pada harga pembelian dan jumlah permintaan. Harga pembelian
dalam hal ini bersifat stochastic karena harga material dipengaruhi oleh harga minyak dunia dan kurs
rupiah terhadap dolar yang fluktuatif. Pemodelan menggunakan optimasi matematik cukup sulit
dilakukan, oleh karena itu penyelesaian akan dilakukan dengna menggunakan pendekatan simulasi dan
algoritma metaheuristic. Algoritma metaheuristic yang akan digunakan dalam penelitian ini adalah
evolutionary algortihm. Penyelesaian akan menggunakan bantuan software excell premium paltform.

2. Rancangan Penelitian
Rancangan penelitian ini akan mengikuti langkah-langkah peneltian yang sudah ditetapkan
sebagai berikut:
 T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi
I Gede Agus Widyadana

1. Menentukan fungsi tujuan pada model evolutionary algorithm. Fungsi tujuan yang digunakan
adalah meminimumkan biaya persediaan yang meliputi biaya pemesanan material, biaya
persediaan, biaya kekurangan material dan biaya pembelian.
2. Menentukan variabel keputusan yang dalam hal ini adalah jumlah pemesanan kembali. Jumlah
pemesanan kembali ditentukan dengan cara mengalikan nilai kromosom yang ditetapkan
dengan dasar bilangan biner. Sebagai contoh jika nilai kromosom terdiri dari angka:
3.
0 1 1 1 0 0 0 1
Maka nila pemesanan kembali akan sama dengan (0 x 2 7) + (1 x 26) + (1 x 25) + (1 x 24) + (0 x
23) + (0 x 22) + (0 x 21) + (1 x 20) = 0 + 64 + 32 + 16 + 0 + 0 + 0 + 1 = 93
4. Menentukan kendala-kendala dalam sistem yang akan dibuat. Kendala-kenadal dalam
penelitian ini meliputi: permintaan periode i akan sama dengan permintaan periode i-1 +
pemesanan yang datang dikurangi permintaan dan ditambah backorder. Pemesanan akan
dilakukan jika tingkat persediaan sudah berada di bawah tingkat pemesanan kembali.
5. Mencari pola distribusi permintaan dan pola distribusi kurs dollar terhadap rupiah dengan
menggunakan metode Chi-Square Test dan Kolmogorov Smirnov. Perhitungan menggunakan
dua metode ini dilakukan dengan bantuan software Stat-Fit.
6. Melakukan analisis hubungan antara harga material dengan nilai kurs dollar terhadap rupiah
dengan menggunakan metode regresi linier.
7. Mencari nilai titik pemesanan kembali dengan menggunakan rumus:
r = µ + z.σ, (2.1)
dimana r = titik pemesanan kembali
µ = rata-rata permintaaan
z = sevice level
σ = standart deviasi
8. Setelah semua parameter diperoleh, maka dilakukan pembangkitan bilangan random
berdistribusi Uniform (0,1) dengan teknik LCG dengan rumus sebagai berikut:
Zi = (a. Zi-1 + b) mod m, (2.2)
Dimana : Zi = Nilai LCG pada bilangan ke i
a = faktor pengali
Zi-1 = Nilai LCG pda bilangan ke i-1
b = Nilai penjumlah
m = bilangan pembagi
9. Membangkitkan bilangan acak sesuai dengan pola distribusi yang sudah diperoleh pada tahap
ke empat.
10. Menghitung tingkat pemesanan kembali menggunakan metode evolutionary algorithm dengan
bantuan software excell premium platform.
11. Melakukan perhitungan EOQ menggnakan rumus:
2 µD ( A +πS ( x ))
Q* = (2.3)
h
dimana : Q* = tingkat pemesanan optimal
µD = rata-rata permintaan
A = biaya pemesanan
π = biaya backorder
S(x) = jumlah unit backorder
h = biaya penyimpanan
12. Membandingkan hasil EOQ perhitungan matematis dengan hasil evolutionary algorithm.

3. Analisa Hasil
Langkah-langkah penelitian seperti yang tercantum pada bagian dua di atas akan diterapkan pada
empat jenis material yaitu Pln, Plt, Msp dan Tri. Masing-masing material akan diperlakukan simulasi
sebanyak 40 kali. Simulasi dilakukan untuk permintaan selama satu tahun. Kemudian dari simulasi
dicari nilai EOQ nya dengan mencari rata-rata nilai EOQ terbaik untuk setiap hasil evolutionary
algorithm. Jumlah replikasi yang diperlukan ditentukan dengan mencari confidence interval untuk
setiap material. Rincian hasil simulasi dan evolutionary algorithm untuk setiap produknya adalah
sebagai berikut:
 T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi
I Gede Agus Widyadana

Tabel I
Produk Confidence EOQ Total Biaya
interval (unit) (Rp/thn)
Pln 2006 - 2463 2235 908.980.167
Plt 5511 - 12865 9188 65.972.355
Msp 1937 - 2372 2155 62.805.145
Tri 1891 - 2373 2132 36.874.661

Berdasarkan tabel I di atas, maka tampak bahwa rata-rata confidence interval untuk 40 kali
replikasi sudah cukup baik, kecuali untuk produk Plt yang mencapai sekitar 40%.
Material dengan jenis yang sama kemudian akan dicari nilai EOQ nya menggunakan model EOQ
menggunakan backorder seperti pada rumus 2.3. Hasil perhitungan dengan menggunakan data biaya
yang sama dapat ditunjukan seperti pada tabel 2 berikut ini.

Tabel II
Produk EOQ Total Biaya
(unit) (Rp/thn)
Pln 1243 928.430.885
Plt 4612 146.136.120
Msp 2364 64.232.774
Tri 2361 39.436.877

Berdasarkan hasil perhitungan menggunakan EOQ dan evolutionary algorithm, maka dapat
dibandingkan selisih total biaya pada tabel III berikut:

Tabel III
Produk Total Biaya Selisih

EOQ matematis Evolutionary Rupiah %

(Rp) Algorithm (Rp)
Pln 928.430.885 908.980.167 19.450.718 2
Plt 146.136.120 65.972.355 24.499.806 16
Msp 64.232.774 62.805.145 1.427.629 2
Tri 39.436.877 36.874.661 2.562.216 6
Total 47.940.369

Berdasarkan table 3 terlihat bahwa metode simulasi dan evolutionary algorithm memberikan
solusi yang lebih baik. Total penghematan yang dapat diperoleh untuk empat jenis material selama satu
tahun dapat mencapai Rp. 47.940.369,-. Kisaran penghematan yang diperoleh berada antara 2 – 16
persen.

4. Kesimpulan dan Saran

Berdasarkan perbandingan metode EOQ matematis sederhana dengan memperhatikan backorder
dibandingkan dengan metode simulasi dan evolutionary algorithm terlihat bahwa metode simulasi dan
evolutionary algorithm memberikan hasil yang lebih baik. Penghematan yang bisa didapatkan hingga
mencapai 16% jika dibandingkan dengan menggunakan metode matematis sederhana.
Hanya untuk dapat membuktikan apakah metode ini sudah memberikan hasil yang terbaik, perlu
untuk mengujinya dengan menggunakan pendekatan metode lain seperti hybrid antara simulasi dengan
metode metaheuristik yang lain. Penelitian ini juga masih mengasumsikan bahwa lead time pemesanan
masih bersifat konstan. Untuk itu pada penelitian berikutnya dapat dikembangkan untuk problem yang
menggunakan lead time pemesanan berdasarkan suatu pola distribusi tertentu.

5. Referensi
Axsater S, 2006, A simple procedure for determining order quantities under a fill rate constraint and
normally distributed lead-time demand, European Journal of Operational Research, volume 174, issue1,
pages 480 – 491.
T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi
I Gede Agus Widyadana

Tang O. and Grubbstrom R.W., 2005, On using higher-order moments for stochastic inventory systems,
International journal of production economics.
Tarim S.A., and Kingsman B.G., 2006, Modelling and computing (Rn,Sn) policies for inventory systems
with non-stationary stochastic demand, European Journal of Operational Research, volume 174, issue1,
pages 581 – 599.
T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi
I Gede Agus Widyadana
T E C H N O S I M 2006: Simulasi Dan Optimasi untuk Aplikasi Industri Proses , Manufaktur, dan Energi
I Gede Agus Widyadana